Ultralytics YOLO11 ve GPT-4o Mini ile bir ANPR sistemi oluştur

Kalabalık bir otoparkta park yeri aramak, uzun gişe kuyruklarında beklemek veya güvenlik noktalarında takılıp kalmak sinir bozucudur. Manuel araç kontrolleri genellikle çok uzun sürer ve gecikmelere neden olur. Otomatik bir sistem olmadan araçları verimli bir şekilde takip etmek zor olabilir.

Computer vision has changed this by enabling real-time number plate recognition from images and video streams. For instance, Ultralytics YOLO11 is an advanced computer vision model that can perform advanced vision AI tasks like object detection, classification, and tracking. Using YOLO11's object detection abilities, you can accurately detect vehicle number plates in images.

Ultralytics offers comprehensive Google Colab notebooks that simplify the process of building vision AI-powered solutions. These notebooks come pre-configured with essential dependencies, models, and step-by-step guides, making creating applications easier. In particular, there is a dedicated Colab notebook for ANPR (Automatic Number Plate Recognition).

Bu makalede, ANPR için Ultralytics Colab not defterini kullanarak, plaka algılama için Ultralytics YOLO11 ve metin tanıma için GPT-4o Mini ile nasıl bir ANPR çözümü oluşturacağını keşfedeceğiz.

ANPR'ı anlamak#

Tracking cars manually is time-consuming and prone to errors, especially when they’re moving quickly. Checking each license plate one by one slows down the process and increases the risk of mistakes. Automatic number plate recognition solves this problem by using computer vision to detect and read license plates instantly, making traffic monitoring and security more efficient.

ANPR sistemleri, geçen araçların görüntülerini veya videolarını yakalayabilir ve plakaları tanımlamak için gerçek zamanlı nesne algılamayı kullanabilir. Tespit edildikten sonra, insan müdahalesine gerek kalmadan plaka numaralarını otomatik olarak çıkarmak için metin tanıma kullanılır. Bu süreç, araçlar hızlı hareket etse veya plakalar kısmen kapalı olsa bile doğru sonuçlar sağlar.

Fig 1. Bir plaka tespiti için Ultralytics YOLO11 kullanımına bir örnek.

Günümüzde gişeler, park sistemleri ve kolluk kuvvetleri, araçları verimli bir şekilde takip etmek için giderek daha fazla ANPR'a güveniyor.

ANPR teknolojisiyle ilgili zorluklar#

ANPR araçları hızla tanımlasa da, doğruluğunu etkileyebilecek bazı zorluklar hala mevcuttur. İşte bir ANPR sisteminin başarısını etkileyebilecek bazı yaygın sorunlar:

• Düşük ışık ve kötü hava koşulları: Plakaları gece ve kötü hava koşullarında okumak zorlaşır. Sis, yağmur ve far parlaması metni bulanıklaştırarak okunamaz hale getirebilir.
• Bulanık veya kapalı plakalar: Özellikle kameranın enstantane hızı çok düşükse, hızlı hareket eden bir araç bulanık bir görüntü oluşturabilir. Kir, çizik veya plakanın kapalı kısımları da tanıma sorunlarına yol açabilir. Doğru ayarlara sahip yüksek kaliteli kameralar kullanmak daha net sonuçlar elde etmeye yardımcı olur.
• Tutarsız plaka tasarımları: Tüm plakalar aynı görünmez. Bazıları sistemi yanıltan süslü yazı tiplerine, ekstra metinlere veya logolara sahiptir.
• Gizlilik riskleri ve veri güvenliği: Araç verilerini güvenli bir şekilde saklamak önemlidir. Doğru güvenlik önlemleri, yetkisiz erişimi engelleyebilir ve bilgileri koruyabilir. Uygun korumalarla ANPR sistemleri hem güvenli hem de güvenilir olabilir.

Ultralytics YOLO11 ANPR sistemlerini nasıl geliştirir#

Ultralytics YOLO11, ANPR sistemlerini daha hızlı ve daha doğru hale getirebilir. Görüntüleri yüksek hassasiyetle korurken hızla işler ve ağır işlem gücü gerektirmez, bu nedenle küçük güvenlik kameralarından büyük trafik sistemlerine kadar her şeyde iyi çalışır.

Özel eğitim sayesinde Ultralytics YOLO11, farklı plaka stillerine, dillerine ve ortamlara uyarlanabilir. Ayrıca bu koşulların görsellerini içeren özel veri setleri üzerinde özel olarak eğitildiğinde düşük ışık, hareket bulanıklığı ve zorlu açılar gibi zorlu koşullarda da iyi performans gösterir.

Araçları anında tanımlayan Ultralytics YOLO11, bekleme sürelerini azaltmaya, hataları önlemeye ve güvenliği artırmaya yardımcı olur. Bu, otoparklarda, gişelerde ve gözetim sistemlerinde trafik akışını daha pürüzsüz ve operasyonları daha verimli hale getirir.

Ultralytics YOLO11 ve GPT-4o Mini ile bir ANPR sistemi oluşturma#

Şimdi, Ultralytics YOLO11 ve GPT-4o Mini kullanarak bir ANPR sistemi oluşturma adımlarını inceleyelim.

We’ll be exploring the code showcased in the Ultralytics Google Colab notebook for this solution. The Google Colab notebook is easy to use and anyone can create an ANPR system without needing a complicated setup.

Adım 1: Ortamın kurulması#

Başlamak için, bağımlılıklarımızı veya ANPR sistemimizi çalıştırmak için gereken temel yazılım paketlerini ve kütüphaneleri yüklememiz gerekecek. Bu bağımlılıklar, nesne algılama, görüntü işleme ve metin tanıma gibi görevlere yardımcı olarak sistemin verimli çalışmasını sağlar.

We’ll install the Ultralytics Python package as shown below. This package provides pre-trained models, training utilities, and inference tools, making it easier to detect and recognize number plates with YOLO11.

Fig 2. Ultralytics Python paketini yükleme.

Ayrıca metin tanıma için GPT-4o Mini'yi kurmamız gerekecek. GPT-4o Mini, tespit edilen plakalardan metin çıkarmaktan sorumlu olduğu için, modele erişmek üzere bir API anahtarına ihtiyacımız var. Bu anahtar, GPT-4o Mini API'sine kaydolarak alınabilir. Anahtarı aldıktan sonra, sistemin modele bağlanabilmesi ve plaka numaralarını işleyebilmesi için Colab not defterine eklenebilir.

Kurulumu tamamlayıp yükleme kodunu çalıştırdıktan sonra Ultralytics YOLO11 plakaları tespit etmeye hazır olacak ve GPT-4o Mini bunlardaki metni tanıyıp ayıklayacak şekilde ayarlanacaktır.

Adım 2: Özel olarak eğitilmiş modeli indirme#

Her şey ayarlandığına göre bir sonraki adım, plaka tespiti için özel olarak eğitilmiş olan Ultralytics YOLO11 modelini indirmektir. Bu model plaka tespiti için zaten eğitilmiş olduğundan sıfırdan eğitmen gerekmez. Modeli doğrudan indirebilirsin ve kullanıma hazırdır. Bu, zamandan tasarruf sağlar ve süreci çok daha kolay hale getirir.

Ayrıca, sistemi test etmek için örnek bir video dosyası indireceğiz. İsterseniz, bu çözümü kendi video dosyalarınızda da çalıştırabilirsiniz. İndirildikten sonra, model ve video dosyaları not defteri ortamında depolanacaktır.

Fig 3. Modeli ve video dosyasını indirme.

Adım 3: Videoyu yükleme ve tespiti başlatma#

Model hazır olduğunda, onu iş başında görme vakti gelmiştir. İlk olarak, düzgün açıldığından emin olmak için video dosyası işlenmek üzere yüklenir. Ardından, tespit edilen plakalarla işlenmiş görüntüleri orijinal boyut ve kare hızını koruyarak kaydetmek için bir video yazıcı kurulur. Son olarak, videonun her karesindeki plakaları tespit etmek için model yüklenir.

Fig 4. Videoyu okuma ve modeli yükleme.

Model yüklendikten sonra sistem, plakaları tespit etmek için videonun her karesini analiz etmeye başlar. Bir plaka bulunduğunda, sistem onu bir algılama kutusuyla vurgulayarak tanımlamayı kolaylaştırır. Bu adım, yalnızca ilgili ayrıntıların yakalanmasını sağlayarak gereksiz arka plan bilgilerini filtreler. Plakalar başarıyla tespit edildiğinde, video bir sonraki aşama için hazırdır.

Adım 4: Plakalardan metin çıkarma#

Bir plaka tespit edildikten sonra bir sonraki adım metin tanımadır. Sistem önce plakayı video karesinden kırparak net bir görüntü için dikkat dağıtıcı unsurları kaldırır. Bu, düşük ışık veya hareket bulanıklığı gibi zorlu koşullarda bile doğruluğu artırarak ayrıntılara odaklanmaya yardımcı olur.

Once the plate is isolated, GPT-4o Mini analyzes the image, extracts the numbers and letters, and converts them into readable text. The recognized text is then added back to the video, labeling each detected plate in real-time.

Bu adımlar tamamlandığında, ANPR sistemi tamamen işlevsel hale gelir ve plakaları kolaylıkla tanımaya hazır olur.

Adım 5: İşlenmiş videoyu kaydetme#

Son adım, işlenmiş videoyu kaydeder ve her şeyin sorunsuz çalışmasını sağlamak için geçici dosyaları temizler.

Tespit edilen plakalar ve tanınan metinlerle birlikte her işlenmiş kare, nihai çıktı videosuna yazılır. Tüm kareler işlendikten sonra sistem, okuduğu video dosyasını kapatarak bellek ve sistem kaynaklarını serbest bırakır. Ayrıca çıktı videosunu sonlandırır ve kaydeder, böylece oynatılmaya veya daha fazla analiz edilmeye hazır hale getirir.

Fig 5. Using YOLO11 and GPT-4o Mini for ANPR.

Bir ANPR sistemi dağıtma#

After building and testing an ANPR solution, the next step is deploying it in a real-world environment. Most vision AI models depend on high-performance computing, but Ultralytics YOLO11 is optimized for Edge AI. It can run efficiently on small devices without requiring cloud processing or a constant internet connection, making it a great choice for locations with limited resources.

Örneğin, kapalı bir site, büyük sunuculara olan ihtiyacı ortadan kaldırarak araçlar girerken onları tanımlamak için uç cihaz üzerinde Ultralytics YOLO11 dağıtabilir. Her şey yerinde ve gerçek zamanlı olarak işlenerek sorunsuz erişim, azaltılmış yoğunluk ve artırılmış güvenlik sağlanır.

Fig 6. Detecting license plates with YOLO11.

Bu arada, kararlı internet bağlantısına sahip alanlarda, bulut tabanlı ANPR birden fazla kamerayı aynı anda yönetebilir. Örneğin, bir alışveriş merkezinde, farklı girişlerdeki araçları takip edebilir ve plaka numaralarını merkezi bir sistemde saklayabilir, bu da otoparkı izlemeyi, güvenliği artırmayı ve araç akışını uzaktan yönetmeyi kolaylaştırır.

ANPR için yol haritası#

Otomatik plaka tanıma (ANPR) sistemi kurmak Ultralytics YOLO11 ile basittir. Plakaları doğru bir şekilde tespit eder ve farklı ortamlara ve gereksinimlere uyum sağlaması için özel olarak eğitilebilir.

ANPR sistemleri güvenliği artırır, otopark yönetimini kolaylaştırır ve trafik izlemeyi iyileştirir. Plaka tanımayı otomatikleştirerek hataları azaltır, tanımlamayı hızlandırır ve araç takibini çeşitli uygulamalarda daha verimli hale getirirler.

Join our community and visit our GitHub repository to see AI in action. Explore our licensing options and discover more about vision AI in manufacturing and AI in self-driving cars on our solutions pages.